Typhoon OCR: โมเดล Vision-Language แบบเปิดสำหรับการดึงข้อมูลจากเอกสารภาษาไทย

Typhoon OCR คือโมเดลด้านภาพและภาษา (Vision-Language Model) แบบโอเพนซอร์ส ที่ถูกออกแบบมาโดยเฉพาะเพื่อแก้ปัญหาการดึงข้อมูลจากเอกสารภาษาไทย ซึ่งมีความซับซ้อนเฉพาะตัว เช่น การไม่มีการเว้นวรรคระหว่างคำ รูปแบบตัวอักษรที่ซับซ้อน และโครงสร้างเอกสารที่หลากหลาย

โครงการนี้พัฒนาโดย SCB 10X เพื่อแก้ปัญหาที่โมเดล AI ทั่วไปมักทำงานได้ไม่ดีในภาษาที่มีข้อมูลฝึกน้อย (low-resource languages)

ทีมวิจัยใช้กระบวนการสร้างข้อมูลหลายขั้นตอน โดยผสานเทคนิค OCR แบบดั้งเดิม ข้อมูลสังเคราะห์ (synthetic data) และการตรวจสอบโดยมนุษย์ เพื่อฝึกโมเดลให้สามารถทั้ง “เข้าใจโครงสร้างเอกสาร” และ “อ่านข้อความ” ได้พร้อมกัน

เวอร์ชันล่าสุด Typhoon OCR V1.5 ใช้สถาปัตยกรรมขนาด 2 พันล้านพารามิเตอร์ ซึ่งมีขนาดเล็กลงและทำงานได้มีประสิทธิภาพมากขึ้น แต่ยังคงรักษาความแม่นยำสูงในการอ่านเอกสารหลายประเภท เช่น รายงานทางการเงิน เอกสารราชการ และลายมือเขียน

ผลการทดสอบพบว่า แม้จะเป็นโมเดลขนาดเล็ก แต่กลับสามารถทำผลงานได้ใกล้เคียง หรือบางกรณีดีกว่าโมเดลขนาดใหญ่แบบปิด เช่น GPT-4o และ Gemini

นอกจากนี้ ทีมวิจัยยังเปิดเผยโมเดลภายใต้ใบอนุญาตแบบเปิด เพื่อสนับสนุนการวิจัยต่อยอดและการพัฒนาเครื่องมือดิจิทัลสำหรับภาษาไทย

ปัญหาหลัก: AI ยังอ่านเอกสารภาษาไทยได้ไม่ดี

ปัจจุบัน AI ขั้นสูงจำนวนมาก เช่น ChatGPT หรือ Google Gemini มีความสามารถในการอ่านและวิเคราะห์เอกสารภาษาอังกฤษได้ดีมาก

แต่เมื่อเจอกับภาษาไทย ประสิทธิภาพกลับลดลงอย่างชัดเจน

สาเหตุคือภาษาไทยมีลักษณะเฉพาะที่ซับซ้อน เช่น

• ไม่มีการเว้นวรรคระหว่างคำ
• มีสระและวรรณยุกต์หลายระดับ
• เอกสารจริงมักมีรูปแบบซับซ้อน เช่น แบบฟอร์มราชการ ใบเสร็จ หรือเอกสารทางธุรกิจ

และเนื่องจาก AI ส่วนใหญ่ถูกฝึกจากข้อมูลภาษาอังกฤษเป็นหลัก จึงมักเกิดปัญหาอ่านผิด ตารางเพี้ยน หรือเข้าใจเอกสารภาษาไทยคลาดเคลื่อน

วิธีแก้: Typhoon OCR

ทีมวิจัยจึงพัฒนา Typhoon OCR ซึ่งเป็น AI แบบโอเพนซอร์สที่ถูกฝึกมาโดยเฉพาะให้เชี่ยวชาญในการอ่าน ดึงข้อมูล และทำความเข้าใจเอกสารทั้งภาษาไทยและภาษาอังกฤษ

ประเด็นสำคัญจากงานวิจัย

1. โมเดลเล็ก แต่ความสามารถระดับโมเดลใหญ่

ทีมวิจัยเปิดตัว Typhoon OCR V1.5 ซึ่งเป็นโมเดลขนาดเล็กและประหยัดทรัพยากร

แม้จะมีขนาดเล็กกว่าระบบอย่าง GPT-4o หรือ Gemini 2.5 มาก แต่กลับสามารถอ่านและจัดโครงสร้างเอกสารไทยที่ซับซ้อนได้แม่นยำกว่าในหลายกรณี เช่น รายงานการเงินและเอกสารราชการ

2. ไม่ได้แค่อ่านข้อความ แต่เข้าใจ “โครงสร้างเอกสาร”

ระบบสแกนทั่วไปมักดึงออกมาเป็นข้อความต่อกันจนอ่านยาก

แต่ Typhoon OCR ทำงานคล้ายสายตามนุษย์ คือเข้าใจว่าอะไรคือหัวข้อ ตาราง คอลัมน์ และลำดับการอ่าน

หากเป็นรายงานทางการเงินหรืออินโฟกราฟิก ระบบจะสามารถรักษาโครงสร้างเอกสารไว้ได้อย่างถูกต้อง

3. แก้ปัญหาขาดข้อมูลด้วย “เอกสารจำลอง”

AI ต้องเรียนรู้จากตัวอย่างจำนวนมาก

แต่เอกสารภาษาไทยคุณภาพสูงบนอินเทอร์เน็ตมีจำกัด นักวิจัยจึงสร้างระบบสร้างข้อมูลสังเคราะห์ (synthetic data)

โดยสร้างเอกสารภาษาไทยจำลองที่มีทั้งสูตรคณิตศาสตร์ กราฟ ฟอนต์หลายรูปแบบ และคำศัพท์หายาก เพื่อสอนให้ AI อ่านเอกสารได้หลากหลายมากขึ้น

ประโยชน์ต่อผู้ใช้งานและธุรกิจ

• ความเป็นส่วนตัวของข้อมูลสูงขึ้น
  เพราะ Typhoon OCR V1.5 มีขนาดเล็กและใช้ทรัพยากรต่ำ องค์กรหรือผู้ใช้งานสามารถติดตั้งและรันบนเครื่องหรือเซิร์ฟเวอร์ของตัวเองได้

  เอกสารสำคัญ เช่น ประวัติการรักษา รายการเดินบัญชี หรือสัญญาทางกฎหมาย จึงไม่จำเป็นต้องส่งออกไปประมวลผลกับบริษัทภายนอก

• สร้างแอปใหม่ได้เร็วขึ้นและต้นทุนต่ำลง
  เนื่องจากเป็นโอเพนซอร์ส นักพัฒนาสามารถนำไปต่อยอดสร้างบริการใหม่ได้ง่าย

  เช่น แอปจัดหมวดหมู่ใบเสร็จภาษาไทยอัตโนมัติ หรือระบบแปลงเอกสารราชการลายมือให้เป็นข้อมูลดิจิทัลทันที

• ลดเวลาการทำงานเอกสาร
  หลายกระบวนการในไทยยังต้องกรอกข้อมูลจากเอกสารด้วยมือ

  หาก AI สามารถดึงข้อมูลจากแบบฟอร์ม เอกสารจริง และลายมือได้แม่นยำมากขึ้น ทั้งธุรกิจและหน่วยงานต่าง ๆ ก็จะประมวลผลงานเอกสารได้เร็วขึ้นอย่างมาก